KLPO：以采样器为锚的 KL 正则化策略优化框架

研究者提出 KL-Regularized Policy Optimization（KLPO），将 KL 正则项锚定在采样器上，使正则化改进步骤具有闭式 Gibbs 解，并通过对采样器自身轨迹做最小二乘拟合对数比最优条件，无需重要性权重。